2.4.3　XOR问题中的TensorBoard

TensorBoard默认情况下随TensorFlow一起使用，因此要启动TensorBoard，我们只需要在打开的控制台输入保存网络代码的位置即可：

我们将在屏幕上看到一个URL，可以通过它访问TensorBoard服务器。如果你遵循上述说明，URL应为http://localhost:6006/。它将读取logs文件夹中的文件，它可能暂时是空的，无法看到任何信息。

开始记录前，我们必须修改先前编写的代码。这里将使用函数。

回调只是在训练过程的给定阶段应用的一组函数。在训练过程中，我们可以使用它们来查看模型的内部状态和统计信息。要定义回调，我们需要运行以下命令：

然后，我们可以将回调列表（作为关键字参数）传递给Sequential和Model类中的fit方法。之后，在训练的每个阶段调用回调。

我们可以添加一个回调，显示模型的图：

先前编写的代码唯一需要更改的就是训练调用。它需要一个回调列表，以便可以在每个epoch结束时执行：

请注意，为了分析更多的数据，我们增加了epoch的数量。

现在，如果重新加载TensorBoard页面，我们将能够看到以下两个东西：

·我们的网络图

·损失在每个epoch中如何演变

让我们在以下TensorBoard页面上查看前面的内容（见图2-17）。

图　2-17

使用TensorBoard，可以可视化张量图及其计算从而查看潜在的瓶颈并优化性能（见图2-18）。

训练复杂的网络可能会持续数天甚至数周。在此期间，可能多个方面会出错，例如：机器内存不足或者硬件、电气故障。为了保护我们的工作，我们希望有一种方法可以保存当前的训练状态，以便以后可以重新打开。幸运的是，网络状态基本上就是连接神经元的权重。因此，保存训练状态很容易。要在训练期间以编程方式做到这一点，我们将再次使用回调，也就是使用称为checkpoint的东西：

图　2-18

现在，将其添加到回调中，我们可以告诉Keras来监控准确度，这需要将其作为指标添加：

同样，在我们拟合模型之后，它将给我们返回一个对象，其中包含所有历史记录，每个epoch的训练损失值和指标值的记录：